实现智能制造的工业推理管道

在制造过程和质量管理体系中实施质量控制和保证方法，确保最终产品满足客户要求和满意度。表面缺陷检测系统可以使用图像数据进行检查和分类，以提供高质量的产品。随着人工智能的发展，实时缺陷检测通过传感器和 预训练 AI 模型 实现了优化和自动化，以实现可复制的质量控制。

瑞典公司 Sansera（柴油发动机连杆生产商）与 AI 公司 Aixia 合作，使用计算机视觉在其生产过程中实施自动化的深度学习缺陷检测系统。

在公共汽车、卡车和船舶上发现，制造生产过程中的每根杆都必须具有高质量、一致性、可靠性和文件记录。高分辨率视觉检测系统必须实时检测和分类缺陷。

为了帮助 Sansera 实现其制造过程质量控制目标，爱夏公司在 Sansera 的生产现场开发并部署了一条棒材检验和检测管道。管道的核心是 NVIDIA Triton 推理服务器 部署在 NVIDIA Jetson edge AI 平台 和数据中心服务器。它在 x86 服务器上实现，使用 NVIDIA A10 GPU 进行推理。

使用质量视觉检测系统，机器人将连杆提升并显示到一组支持 AI 的摄像头上。摄像头拍摄多张照片以捕捉印记和序列号，这些印记和序列号通过基于 AI 的计算机视觉模型发送，以便在受控的照明环境中进行检查。评估按顺序进行，结果提供质量控制文件。每个摄像头视图执行几个深入学习推断。

每个连杆在释放前都经过检查并做好记录。此推理工作流的工作是检测印记，检查其质量，并为产品文档提供必要的详细信息。该工作流在 NVIDIA Triton 推理服务器上部署和优化，使用不同的框架，并以简化的方式整合质量用例。

预处理和后处理中的多个模型都整合在一个服务器实例中。

图 2 ：NVIDIA Triton 推理服务器的可扩展部署，包括图像的预处理和后处理。

使用 NVIDIA Triton ®声波风廓线仪，爱夏可在数据中心使用高性能 GPU 或在靠近数据的边缘使用 Jetson 边缘 AI 平台部署预训练模型的优化版本。

关于作者

Yi Nan Yu 是渐近 AI 和 Aixia 的联合创始人。她拥有机器学习和信号处理博士学位，是瑞典查尔默斯理工大学的研究员和讲师。您是自动驾驶、 NLP 和智能制造的 AI 数据管理和分析专家。

Samuel Scheidegger 是渐近人工智能的联合创始人兼首席执行官，也是爱夏的联合创始人。自 2016 年以来，他一直致力于 AI 算法开发和深度学习基础设施，并帮助开发了世界上第一个全栈、 AI 就绪基础设施 AIRI 。他在智能制造和自然语言处理领域工作。

Shankar Chandrasekaran 是 NVIDIA 数据中心 GPU 团队的高级产品营销经理。他负责 GPU 软件基础架构营销，以帮助 IT 和 DevOps 轻松采用 GPU 并将其无缝集成到其基础架构中。在 NVIDIA 之前，他曾在小型和大型科技公司担任工程、运营和营销职位。他拥有商业和工程学位。

审核编辑：郭婷